BAB III METODE PENELITIAN
A. METODE PENELITIAN 1. Objek Penelitian Objek dalam penelitian ini adalah Perbankan Syariah di Indonesia yang mempunyai laporan keuangan yang transparan dan di publikasikan oleh Bank Indonesia melalui wabesite. Dimana Perbankan Syariah di Indonesia merupakan Bank Islam atau bisa di kenal dengan islamic banking. 2. Subjek Penelitian Dalam penelitian ini ada beberapa variabel-variabel Makro yang di gunakan yaitu variabel independen dan dependen. Variabel dependen yang di gunakan dalam penelitian ini adalah Dana Pihak Ketiga (DPK) Perbankan Syariah di Indonesia, sedangkan variabel independen adalah KURS, Inflasi berdasarkan IHK dan Produk domestik Bruto (PDB). B. JENIS DATA DAN SUMBER DATA Jenis data yang di gunakan dalam penelitian ini adalah data sekunder. Data sekunder berupa runtut waktu (times series) selama empat tahun yaitu 2011-2014 dalam periode bulanan. Data yang di gunakan untuk mendapatkan informasi mengenai semua variabel dalam penelitian ini merupakan data sekunder yang diperoleh dari Badan Pusat Statistik, Statistik Perbankan
60
Syariah, Statistik Ekonomi dan Keuangan Indonesia yang di rilis oleh Bank Indonesia. C. TEKNIK PENGUMPULAN DATA Teknik pengumpulan data dengan teknik dokumentasi yaitu teknik pengumpulan data melalui pencatatan dan pemanfaatan dari instansi penelitian yang berupa arsip hasil penelitian lain, laporan keuangan, laporan yang di publikasikan dan laporan lain yang berkaitan dengan permasalahan. Data yang di kumpulkan adalah perkembangan Dana Pihak Ketiga (DPK), perkembangan Inflasi berdasarkan Indeks Harga Konsumen (IHK) dengan harga konstan dan perubahan Nilai Tukar Rupiah terhadap Dolar Amerika Serikat. Sumber data yang diperoleh dari laporan keuangan gabungan Bank Umum Syariah dengan Unit Usaha Syariah yang di publikasikan oleh Bank Indonesia dan Badan Pusat Statistik Indonesia. Dengan demikian, jenis penelitian ini merupakan penelitian kuantitatatif dengan data sekunder berbentuk time series. D. Definisi Operasional Variabel Adapun pengertian variabel-variabel tersebut ialah sebagai berikut : a. Dana Pihak Ketiga Variabel dependen (Y) Dalam penelitian ini data di peroleh dari data sekunder bulanan Dana Pihak Ketiga (DPK) pada Syariah (Bank Indonesia). Dimana total
Statistik Perbankan
Dana Pihak
Ketiga (DPK)
Perbankan Syariah Indonesia yang terdiri atas gabungan komposisi
61
Dana Pihak Ketiga Bank Umum Syariah dan Unit Usaha Syariah. Variabel Y : DPK dalam Miliar Rupiah. b. Inflasi berdasarkan Indeks Harga Konsumen Inflasi dalam penelitian ini diperoleh dari data sekunder bulanan Inflasi berdasarkan IHK Indonesia dari Tahun ke Tahun pada Indikator Ekonomi (Badan Pusat Statistik). Variabel X1 : IHK dalam Persen. c. Produk Domestik Bruto PDB dalam penelitian ini diperoleh dari data sekunder tahunan PDB atas dasar harga konstan tahun 2000 pada Statistik Indonesia 2015 (Badan Pusat Statistik) yang kemudian diinterpolasi, sehingga diperoleh angka PDB bulanan. Interpolasi data tahunan menjadi bulanan diperlukan karena tidak tersedianya data
PDB
bulanan
dalam
Statistik
Indonesia 2015 (Badan Pusat Statistik). Variabel X2 : PDB dalam Miliar Rupiah. d. Kurs Nilai Tukar Rupiah terhadap Dollar AS dalam penelitian ini menggunakan data bulanan Kurs Tengah
Dollar AS terhadap Rupiah
yang telah terdapat dalam Statistik Ekonomi Keuangan Indonesia yang diterbitkan oleh Bank Indonesia (2015). Variabel X3 : KURS dalam Rupiah.
62
E. METODE ANALISIS DATA Teknik analisis data adalah teknik yang digunakan untuk menganalisis data dan sekaligus dalam pengujiannya (Sanusi, 2011). Dalam penelitian ini, teknik analisis data menggunakan teknik statistik inferensial parametrik dengan menggunakan metode VECM ( Vector Error Correction Model) yaitu untuk mengetahui hubungan dalam jangka pendek dan hubungan jangka panjang antara masing-masing variabel independen terhadap variabel dependen. Sesuai dengan desain penelitian, langkah-langakah teknik analisis data dalam penelitian ini adalah sebagai berikut: 1. Uji Stasioneritas Data. Tahap awal yang harus dilakukan dalam estimasi VECM adalah uji stasioneritas data. Data dikatakan stasioner apabila “suatu data runtut waktu memiliki rata-rata dan memiliki kecenderungan bergerak menuju rata-rata” (Kennedy, 2000 dalam Kuncoro 2011). Lebih lanjut, Kuncoro (2011), menjelaskan bahwa “data yang stasioner apabila digambar terhadap waktu, maka akan sering melewati sumbu horizontal dan autokorelasinya akan menurun dengan teratur untuk lag yang cukup besar”. Selain itu, Winarno (2015), menambahkan bahwa data dapat dikatakan stasioner apabila memenuhi dua syarat sebagai berikut: a. Rata-rata kovariannya konstan sepanjang waktu. b. Kovarian antara dua data runtut waktu tergantung pada kelambanan antara dua periode tersebut.
63
Untuk menguji stasioneritas data, umumnya digunakan uji akar unit (unit root test) yang dikembangkan oleh Dickey dan Fuller dengan melihat nilai probabilitas ADF (Augmented Dickey Fuller) dengan membandingkan dengan nilai kritis (Basuki & Yuliadi, 2015). Lebih lanjut, Basuki & Yuliadi (2015), menjelaskan bahwa terdapat tiga buah model ADF test untuk mendeteksi adanya akar unit pada data, yaitu sebagai berikut: 1) model tanpa intercept dan tanpa trend, 2) model yang hanya menggunakan intercept, dan 3) model yang menggunakan interceptdan trend. Kemudian, untuk mengetahui apakah data yang di uji terdapat akar unit atau tidak, maka dapat dilihat dengan membandingkan antara ADF t-statistik dengan nilai kritis Mc Kinnon. H0 = Terdapat akar unit (data tidak stasioner). H1 = Tidak terdapat akar unit (data stasioner). Apabila nilai ADF t-statistik lebih besar dari nilai kritis Mc Kinnon (1, 5, 10 persen), maka H0 diterima atau dengan kata lain, data tidak stasioner. Apabila nilai ADF t-statistik lebih kecil dari kritis Mc Kinnon (1, 5, 10 persen), maka H0 ditolak atau dengan kata lain, data bersifat stasioner (Basuki & Yuliadi 2015). Apabila data yang diuji belum stasioner pada tingkat level, maka solusi yang dapat dilakukan adalah melakukan diferensi data pada tingkat first difference dan seterusnya (Kuncoro, 2011). Dalam penelitian ini, digunakan nilai kritis 10 persen (0,1) dimana, satu variabel, yaitu IHK (Indeks Harga Konsumen)
64
stasioner pada tingkat level dan variabel lainnya harus dilakukan diferensi data pada first difference. 2. Penentuan Panjang Lag. Waktu (lag) dalam ekonomi digunakan untuk menjelaskan ketergantungan dari variabel satu ke variabel yang lain (Gujarati, 1995). Penentuan panjang lag dilakukan untuk menentukan estimasi parameter dalam VECM.
Dalam estimasi VECM hubungan kausalitas sangat
dipengaruhi oleh panjang lag. Selain itu, Basuki & Yuliadi (2015), juga menjelaskan bahwa apabila lag yang dimasukkan terlalu pendek, maka dikhawatirkan estimasi yang dihasilkan tidak akurat. Sebaliknya, apabila lag yang dimasukkan terlalu panjang, maka akan menghasilkan hasil estimasi tidak efisien. Adapun dalam penentuan panjang lag optimum dapat dilakukan dengan menggunakan perangkat lunak EViews dengan langkah-langkah sebagai berikut (Basuki & Yuliadi, 2015): 3. Uji Stabilitas VECM Sebelum melakukan pengujian estimasi VECM, terlebih dahulu harus dilakukan uji stabilitas. Menurut Basuki & Yuliadi (2015), stabilitas model perlu diuji karena akan mempengaruhi hasil analisis IRF (Impulse Response Function) dan VDC (Variance Decomposition). Apabila stabilitas tidak diuji, hasil analisis IRF dan VDC menjadi tidak valid. Lebih lanjut, Basuki & Yuliadi (2015), menjelaskan bahwa suatu sistem VAR dikatakan stabil atau memenuhi uji stabilitas apabila nilai
65
seluruh akar atau root-nya memiliki modulus lebih kecil dari satu. Dalam penelitian ini, diketahui nilai modulus sudah lebih kecil dari satu, sehingga dapat disimpulkan bahwa hasil analisis IRF dan VDC adalah valid. 4. Uji Kointegrasi. Uji kointegrasi merupakan pengujian yang dimaksud untuk melihat adakah hubungan dalam jangka panjang terhadap masing-masing variabel yang digunakan dalam penelitian. Dalam estimasi VECM, uji kointegrasi sangat diperlukan untuk menentukan apakah masing-masing variabel terdapat hubungan dalam jangka panjang atau tidak. Apabila masing-masing variabel tidak terdapat hubungan kointegrasi, maka estimasi VECM tidak berlaku. Apabila data memiliki hubungan dalam jangka panjang (kointegrasi), maka VECM (Vector Error Correction Model) berlaku. Winarno (2015), menjelaskan bahwa dua variabel yang tidak stasioner pada tingkat level, dan stasioner pada tingkat first difference, maka kemungkinan terdapat hubungan kointegrasi. Lebih lanjut, Winarno (2015), menjelaskan bahwa terdapat tiga cara untuk menguji kointegrasi, yaitu: a. EG (Engle Granger). b. CRDW (Cointegrating Regression Durbin Watson). c. Johansen’s Cointegration Test.
66
Untuk melihat hubungan kointegrasi dari masing-masing variabel endogen, maka dapat dilakukan dengan membandingkan nilai trace statistic dengan critical value. H0 = Tidak terdapat hubungan kointegrasi. H1 = Terdapat hubungan kointegrasi. Basuki & Yuliadi (2015), menjelaskan bahwa apabila nilai trace statistic lebih kecil dari critical value, maka H0 diterima (tidak ada hubungan kointegrasi), sebaliknya apabila nilai trace statistic lebih besar dari critical value, maka H1 diterima (ada hubungan kointegrasi). Dalam penelitian ini, masing-masing variabel menunjukkan empat rank hubungan kointegrasi dimana, nilai trace statistic lebih besar dari critical value 0,1 (dalam penelitian ini digunakan critical value 0,1 atau 10 persen). Variabel yang saling berhubungan kointegrasi menunjukkan bahwa VECM tepat digunakan dan kemudian dapat dilakukan pengujian selanjutnyadalam estimasi VECM, yaitu uji stabilitas VECM. 5. Uji Kausalitas Granger (Granger’s Causality Test). Kuncoro (2011), menjelaskan bahwa “tujuan analisis kausalitas Granger adalah untuk meneliti apakah A mendahului B, ataukah B mendahului A, ataukah hubungan antara A dan B timbal balik”. Menurut Basuki & Yuliadi (2015), metode analisis kausalitas Granger dapat dilakukan menggunakan metode Granger’s Causality dan Error Correction Model Causality. Adapun persamaan kausalitas granger adalah sebagai berikut (Kuncoro, 2011):
67
Yt = aiYt-i+bjXt-j+ vt.....................................................................(3.1) Xt = ciXt-i+djYt-j+ vt......................................................................(3.2) Dari persamaan diatas dapat dijelaskan bahwa variabel Xt tidak mempengaruhi variabel Yt. “Dengan kata lain, bila bj = 0 (i=1, 2, ..,k), maka Xt gagal menyebabkan Yt” (Kuncoro, 2011). Untuk melihat apakah variabel dalam penelitian memiliki hubungan kausalitas, maka dapat dilihat pada nilai α (alpha). Basuki & Yuliadi (2015), menjelaskan bahwa apabila nilai probabilitas lebih kecil dari α, maka H0 ditolak yang berarti terdapat hubungan kausal pada masing-masing variabel atau variabel menjadi leading indicator (indikator yang mempengaruhi perubahan harga). Begitu sebaliknya, apabila nilai probabilitas lebih besar dari α, maka H1 diterima yang artinya, tidak terdapat hubungan kausal pada masing-masing variabel dalam penelitian. Dalam penelitian ini, digunakan α 10 persen (0,1), dan diketahui bahwa variabel PDB (Produk Domestik Bruto), nilai tukar Rupiah/Dollar AS dan IHK (Indeks Harga Konsumen) menjadi leading indicator bagi DPK (Dana Pihak Ketiga). 6. Vector Error Correction Model (VECM). Vector Error Correction Model (VECM) merupakan model turunan dari VAR (Vector Autoregression) atau VAR yang terestriksi. Perbedaan antara VAR dengan VECM adalah dalam estimasi VECM terdapat hubungan kointegrasi antara masing-masing variabel yang menunjukkan hubungan dalam jangka panjang. Basuki & Yuliadi (2015),
68
menjelaskan bahwa “VECM sering disebut sebagai desain VAR bagi series non stasioner yang memiliki hubungan kointegrasi”.
Menurut
Gujarati (1995), keuntungan yang didapatkan dalam pengambilan keputusan untuk menggunakan model VAR dalam penelitian adalah sebagai berikut: a). Model lebih sederhana, karena semua variabel dianggap sebagai variabel endogen b). Estimasi yang digunakan lebih sederhana, karena hanya menggunakan OLS (Ordinary Least Square). Hasil estimasi lebih baik dari pada model lain yang lebih kompleks. Selain keunggulan diatas, Basuki & Yuliadi (2015), menambahkan bahwa keunggulan lain yang diperoleh dari model VAR, yaitu hasil VAR tidak hanya menghasilkan rekomendasi namun, dapat pula mengetahui seberapa lag yang dibutuhkan pengaruh masing-masing variabel berdasarkan data historisnya. Kemudian, alasan pemilihan model VAR sebagai model dalam penelitian ini bersandar pada Basuki & Yuliadi (2015), yang menjelaskan bahwa ada tiga pertimbangan utama dalam pemilihan model VAR, yaitu sebagai berikut: 1) Metode regresi linier yang banyak digunakan banyak mengalami kritikan. Metode regresi linier dianggap sebagai metode yang sangat lemah, sehingga tidak memberikan hasil yang akurat. 2) Data yang digunakan dalam penelitian ini merupakan data runtut waktu (time series) yang menggambarkan fluktuasi ekonomi.
69
3) Melalui metode VAR, dapat diketahui seberapa Lag yang dibutuhkan dalam pengaruh hubungan masing-masing variabel endogen. Penggunaan metode VECM dalam penelitian ini telah memenuhi persyaratan kapan penggunaan yang tepat untuk estimasi VECM dimana, data stasioner pada tingkat yang sama, yaitu first difference dan terdapat hubungan kointegrasi antar masing-masing variabel yang digunakan dalam penelitian. Pada dasarnya, model umum VECM adalah sebagai berikut (Ascarya, 2012): ∆Yt = b10+ b11∆Yt-1+b12 ∆Yt-1–λ (yt-1 - α 10 - α 11yt-2 - α 12zt-1) + εyt..............(3.3) ∆Zt = b20+ b21 ∆Yt-1+ b22∆Yt-1–λ (yt-1 - α 20 - α 21yt-2 - α 22zt-1) + εzt...............(3.4) Dimana α adalah koefisien jangka panjang, b adalah koefisien jangka pendek, λ adalah error correction parameter, dan variabel y dan z harus menunjukkan hubungan kointegrasi. Kemudian, untuk mengkaji leading indicator Dana Pihak Ketiga (DPK) Perbankan Syariah di Indonesia, estimasi VECM yang digunakan adalah sebagai berikut: Hubungan jangka pendek : ∆D (DDPK) = (DKURS) t-f
+ λe +
∆D (DIHK) t-f +
+
∆D
∆D (DPDB) t-f + Ut....................................(3.3)
70
Sedangkan, hubungan jangka panjang, persamaan yang digunakan adalah sebagai berikut: D(DDPK)t = α 0 + α 1D(DPDB)t + α 2D(DKURS)t + α 3D(DIHK)t + Ut....................................................................................................(3.4) Dimana: DDPK
= Diferensi Dana Pihak Ketiga (DPK)
DPDB
= Diferensi Produk Domestik Bruto (PDB)
DKURS
= Diferensi Kurs Jual Rupiah Terhadap Dollar AS
t
= Period ke-t
α 1, α 2, α 3 = Koefisien Variabel α0
= Konstanta
Ut
= Variabel Error
λ
= Koefisien Kecepatan Penyesuaian
j
= Panjang Lag dalam Model
ect-1
= Error Correction Term
Alat estimasi yang digunakan dalam pengujian estimasi VECM diatas adalah dengan menggunakan bantuan perangkat lunak Eviews versi 7.0.0.1 sedangkan, untuk pembuatan tabel untuk keperluan impor data digunakan Microsoft Excel 2007. Menurut Winarno (2015), untuk mengetahui
pengaruh
variabel
independen
terhadap
variabel
dependennya, maka dapat dilakukan dengan membandingkan nilai tstatistik parsial dengan nilai pada tabel (2,02108). Hipotesis yang digunakan, yaitu:
71
H0 = variabel independen tidak signifikan mempengaruhi variabel dependen. H1 = variabel independen mempengaruhi signifikan variabel dependen. Wilayah untuk menolak H0 dan menerima H1, apabila nilai tstatistik parsial lebih dari +2,02108 atau kurang dari -2,02108 (Winarno, 2015). Dari estimasi VECM (Vector Error Correction Model) diatas akan menghasilkan analisis penting dalam model VAR, yaitu sebagai berikut: 7.
IRF (ImpulseResponse Function). Analisis IRF dilakukan untuk memeriksa respon kejutan (shock) dari masing-masing variabel dependen terhadap variabel independen. Melalui analisis IRF dapat diketahui seberapa lama variabel dependen dipengaruhi variabel independennya sebesar satu standar deviasi (penyimpangan). Melalui analisis IRF juga dapat diketahui seberapa lama variabel tersebut dapat mempengaruhi variabel lainnya atau dengan kata lain, dapat diketahui seberapa lama variabel kembali ke titik keseimbangannya sebelum terjadinya shock (Basuki & Yuliadi, 2015). Menurut Winarno (2015), respon yang dihasilkan dari IRF, yaitu bisa positif, negatif, dan tidak merespon (mendatar pada garis horizontal).
72
8. VDC (Variance Decomposition). “Analisis VDC bertujuan untuk mengukur besarnya kontribusi atau komposisi pengaruh masing-masing variabel independen terhadap variabel dependennya” (Basuki & Yuliadi, 2015).
Melalui analisis
VDC akan memberikan keterangan tentang besarnya dan berapa lama proporsi shock sebuah variabel terhadap variabel itu sendiri dan terhadap variabel lain. Dengan kata lain, melalui VDC dapat diketahui kontribusi atau komposisi masing-masing variabel independen terhadap pembentukan variabel dependennya.
73